Klärung verwirrter Knoten durch getrenntes Lernen

Graph Neural Networks (GNNs) haben beachtliche Fortschritte bei graphenorientierten Aufgaben erzielt. Allerdings enthalten reale Welt-Graphen zwangsläufig eine gewisse Anzahl an heterophilen Knoten, was die Homophilie-Annahme traditioneller GNNs herausfordert und deren Leistung beeinträchtigt. Die meisten bestehenden Studien entwickeln weiterhin generische Modelle mit geteilten Gewichten zwischen heterophilen und homophilen Knoten. Trotz der Einbeziehung von Nachrichten höherer Ordnung oder mehrkanaliger Architekturen bleiben diese Ansätze oft unzureichend. Eine geringe Anzahl von Studien versucht, verschiedene Knotengruppen separat zu trainieren, leidet jedoch unter ungeeigneten Trennmetriken und geringer Effizienz. In diesem Paper stellen wir erstmals eine neue Metrik vor, die als Neighborhood Confusion (NC) bezeichnet wird, um eine zuverlässigere Trennung der Knoten zu ermöglichen. Wir beobachten, dass Knotengruppen mit unterschiedlichen NC-Werten bestimmte Unterschiede in der intra-gruppigen Genauigkeit und in visualisierten Embeddings aufweisen. Dies legt den Grundstein für den Neighborhood Confusion-gesteuerten Graphen-Convolutional Network (NCGCN), bei dem Knoten anhand ihrer NC-Werte gruppiert werden und intra-gruppene Gewichtsteilung sowie Nachrichtenweitergabe erhalten. Umfangreiche Experimente auf sowohl homophilen als auch heterophilen Benchmarks zeigen, dass unser Framework die Knotentrennung effektiv durchführen und im Vergleich zu aktuellen Methoden eine signifikante Leistungssteigerung erzielen kann. Der Quellcode wird unter https://github.com/GISec-Team/NCGNN verfügbar sein.